論文の概要: Exploring Variational Graph Autoencoders for Distribution Grid Data Generation

• arxiv url: http://arxiv.org/abs/2509.02469v1
• Date: Tue, 02 Sep 2025 16:23:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:04.100186
• Title: Exploring Variational Graph Autoencoders for Distribution Grid Data Generation
• Title（参考訳）: 分散グリッドデータ生成のための変分グラフオートエンコーダの探索
• Authors: Syed Zain Abbas, Ehimare Okoyomon,
• Abstract要約: 本稿では,分散グリッド生成における変分グラフオートエンコーダ(VGAE)の利用について検討する。 4つのデコーダの変種を評価し、構造的およびスペクトル的指標を用いて、生成されたネットワークを元のグリッドと比較する。 結果は、単純なデコーダが現実的なトポロジをキャプチャできないことを示し、GCNベースのアプローチはENGAGEに強い忠実性をもたらすが、より複雑なINGOデータセットに苦慮していることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To address the lack of public power system data for machine learning research in energy networks, we investigate the use of variational graph autoencoders (VGAEs) for synthetic distribution grid generation. Using two open-source datasets, ENGAGE and DINGO, we evaluate four decoder variants and compare generated networks against the original grids using structural and spectral metrics. Results indicate that simple decoders fail to capture realistic topologies, while GCN-based approaches achieve strong fidelity on ENGAGE but struggle on the more complex DINGO dataset, producing artifacts such as disconnected components and repeated motifs. These findings highlight both the promise and limitations of VGAEs for grid synthesis, underscoring the need for more expressive generative models and robust evaluation. We release our models and analysis as open source to support benchmarking and accelerate progress in ML-driven power system research.
• Abstract（参考訳）: エネルギーネットワークにおける機械学習研究のための公共電力システムデータの欠如に対処するため, 分散グリッド生成における変分グラフオートエンコーダ(VGAE)の利用について検討した。 2つのオープンソースデータセットであるENGAGEとINGOを用いて、4つのデコーダの変種を評価し、構造的およびスペクトル的指標を用いて生成されたネットワークを元のグリッドと比較する。 結果は、単純なデコーダが現実的なトポロジをキャプチャできないことを示し、GCNベースのアプローチはENGAGEに強い忠実性をもたらすが、より複雑なINGOデータセットに苦慮し、非連結コンポーネントや繰り返しモチーフなどのアーティファクトを生成する。 これらの結果は、より表現力のある生成モデルの必要性とロバストな評価を強調し、グリッド合成におけるVGAEの約束と限界の両方を強調した。 我々は、ベンチマークをサポートし、ML駆動の電力システム研究の進展を加速するために、我々のモデルと分析をオープンソースとしてリリースする。

関連論文リスト

• Synthesizing Diverse Network Flow Datasets with Scalable Dynamic Multigraph Generation [0.0]
  本稿では,高忠実度合成ネットワークフローデータセットを生成する機械学習モデルを提案する。 本研究では,従来の大規模グラフ生成手法よりも精度が向上したことを示す。
  論文  参考訳（メタデータ） (2025-05-12T17:26:48Z)
• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• SynHING: Synthetic Heterogeneous Information Network Generation for Graph Learning and Explanation [31.89877722246351]
  合成不均一情報ネットワーク生成のための新しいフレームワークであるSynHingを紹介する。 SynHingは、ターゲットHINの主要なモチーフを体系的に識別し、クラスタ内およびクラスタ間マージモジュールによるボトムアップ生成プロセスを使用する。 GNN説明器モデルを評価するための基礎的なモチーフを提供し、説明可能な合成HIN生成のための新しい標準を設定する。
  論文  参考訳（メタデータ） (2024-01-07T04:43:36Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Generative adversarial networks for data-scarce spectral applications [0.0]
  合成スペクトルデータ生成分野におけるGANの応用について報告する。 CWGANは,低データ方式の性能向上を図り,サロゲートモデルとして機能することを示す。
  論文  参考訳（メタデータ） (2023-07-14T16:27:24Z)
• Learnable Filters for Geometric Scattering Modules [64.03877398967282]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2022-08-15T22:30:07Z)
• Overcoming Oversmoothness in Graph Convolutional Networks via Hybrid Scattering Networks [11.857894213975644]
  本稿では,従来のGCNフィルタと幾何散乱変換を用いて定義された帯域通過フィルタを組み合わせたハイブリッドグラフニューラルネットワーク(GNN)フレームワークを提案する。 理論的には, グラフからの構造情報を活用するために散乱フィルタの相補的な利点が確立され, 実験では様々な学習課題における手法の利点が示された。
  論文  参考訳（メタデータ） (2022-01-22T00:47:41Z)
• Lightweight, Dynamic Graph Convolutional Networks for AMR-to-Text Generation [56.73834525802723]
  軽量な動的グラフ畳み込みネットワーク (LDGCN) を提案する。 LDGCNは入力グラフから高次情報を合成することにより、よりリッチな非局所的な相互作用をキャプチャする。 我々は,グループグラフの畳み込みと重み付き畳み込みに基づく2つの新しいパラメータ保存戦略を開発し,メモリ使用量とモデル複雑性を低減する。
  論文  参考訳（メタデータ） (2020-10-09T06:03:46Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。